PREVISÃO DE SÉRIES TEMPORAIS DE CONSUMO DE ENERGIA ELÉTRICA COM APRENDIZAGEM PROFUNDA PARA UM SISTEMA IOT
Aprendizagem Profunda. Internet das Coisas. Eficiência Energética. Redes Neurais Profundas. Módulo de Previsão
Consumo de energia e eficiência energética são tópicos que têm atraído a atenção dos pesquisadores nos últimos anos, a fim de buscar soluções científicas e tecnológicas para a produção de energia e redução de custos. Uma das alternativas que têm obtido resultados satisfatórios é o uso de tecnologias baseadas em Internet of Things (IoT) e sistemas de Aprendizagem Profunda (AP). Com base nisso, avaliamos o desempenho de uma rede neural profunda do tipo Long Short-Term Memory (LSTM) aplicado à previsão do consumo de energia elétrica em séries temporais, para um módulo de previsão de um sistema de monitoramento de consumo baseado em IoT. Foram usadas três séries temporais e comparamos os resultados da LSTM com os algoritmos Extreme Boost Gradient e Random Forest, comumente usados na literatura. Os resultados computacionais indicam que o modelo LSTM mostrou uma tendência de melhor desempenho RMSE no primeiro dataset, e melhores resultados estatisticamente significativos em outros dois datasets, de acordo com o teste Kruskal-Wallis (p < 0,0001 em ambos os casos). Assim, o modelo proposto foi implementado e validado a partir de experimentos, apresentando previsões precisas para monitoramento e estimativa do consumo de energia, sendo aplicável à Eficiência Energética e à tomada de decisões.